问财量化选股策略逻辑
本选股策略选取振幅大于1、周线MACD在零轴之上以及股票均价站在五日均线之上的股票作为选股标的，以筛选出有上涨潜力的股票。
选股逻辑分析
本选股策略综合考虑了技术面的因素，以振幅大于1、周线MACD在零轴之上和股票均价站在五日均线之上为选股标准。其中，振幅和MACD指标反映了市场情绪和情况，并能够反映出市场中的一定方向，而股票均价站在五日均线之上则反映了均线的支撑作用。该选股策略较为简单，但能够快速地挑选出热门、高风险和有潜力的股票。
有何风险？
本选股策略忽略了公司基本面等重要因素，同时只考虑了市场的短期技术变化，存在较大的投资风险和认知误差。同时在市场行情不稳定时，基于均线支撑的选股策略可能会出现计算误差，影响选股效果。
如何优化？
可以通过加入更多因素和补充指标进行进一步的筛选，包括加入基本面、资金流向、行业趋势等多方面因素，形成更全面、更准确的选股标准体系。同时可以使用更加细致的技术指标来取代简单的均线支撑指标，如更加精准的成交量、动量和智能选股系统等技术手段，以提升选股的准确性和效率。
最终的选股逻辑
本选股策略选取振幅大于1、周线MACD在零轴之上以及股票均价站在五日均线之上的股票作为选股标的，可以在此基础上加入更多因素和补充指标进行进一步的筛选。需要通过加强风险控制、优化交易策略等手段降低投资风险。
同花顺指标公式代码参考：
振幅大于1：
(HIGH - LOW) / PRE_CLOSE > 0.01
周线MACD在零轴之上：
(REF(MACD(12, 26, 9), 1) > REF(MACDSIGNAL(12, 26, 9), 1)) AND (MACD(12, 26, 9) > 0)
股票均价站在五日均线之上：
MA(CLOSE,5)>MA(CLOSE,10)
python代码参考：
# 引入Tushare库和TA-Lib库
import tushare as ts
import talib
# 连接Tushare库
pro = ts.pro_api()
# 查询所有股票的数据
all_data = pro.stock_basic()
# 根据选股条件进行筛选
selected_stocks = []
for ts_code in all_data["ts_code"]:
# 获取股票数据
daily_data = pro.daily(ts_code=ts_code, start_date='20220101', end_date='20220630')
weekly_data = pro.weekly(ts_code=ts_code, start_date='20220101', end_date='20220630')
if (daily_data.high - daily_data.low).mean() / daily_data.close.mean() > 0.01 and weekly_data.iloc[-1]['close'] > weekly_data.iloc[-1]['ma30'] and talib.CROSSOVER(talib.MA(daily_data.close, timeperiod=5), daily_data.close)[-2]:
selected_stocks.append(ts_code)
# 输出选中的股票
print(selected_stocks)
同样使用Tushare库获取股票数据，并使用TA-Lib库的函数进行选股筛选条件的计算。在优化本选股策略时，建议加入更多因素和补充指标，在技术面、基本面、市场情绪和资金流向等多重因素的基础上，形成更加完整和准确的选股体系。需要通过加强风险控制、优化交易策略等手段降低投资风险。
## 如何进行量化策略实盘？
请把您优化好的选股语句放入文章最下面模板的选股语句中即可。
select_sentence = '市值小于100亿' #选股语句。
模板如何使用？
点击图标右上方的复制按钮，复制到自己的账户即可使用模板进行回测。
## 如果有任何问题请添加 下方的二维码进群提问。
